中国远洋运输集团
大数据分析岗（高级算法工程师）
大数据分析岗（高级算法工程师）
发布于 5 个月前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
硕士
数据分析与科学
大模型
机器学习
深度学习
算法工程化
运筹优化
PyTorch
TensorFlow
AI 估算 · 35k–60k
岗位要求高级算法与工程能力，涉及前沿大模型技术，在航运物流领域应用价值高，上海地区技术人才竞争激烈，薪资具备竞争力。
职位详情
关于这个职位
这是一个高级算法工程师岗位，专注于大数据分析与大模型应用
你将负责研究前沿的机器学习、深度学习与运筹优化技术，构建数据模型与算法体系，为集装箱调配、网络优化等核心业务提供数据支持与预测
同时，你将参与大模型（如语言模型、多模态模型）的研发、应用与工程化落地，将前沿算法转化为实际的业务解决方案
最低要求
计算机、数学、统计相关专业本科及以上学历，硕士及以上优先
数据敏感，有良好的逻辑思维和定义和解决问题能力
具备良好的数学基础，熟悉线性代数、概率论与统计学、优化算法等
精通至少一种编程语言，如 Python、Java 或 C++，熟悉算法实现及性能优化
深入理解机器学习、深度学习原理，熟悉常用框架如TensorFlow、PyTorch、Scikit-learn等
能快速学习和适应新技术，具有较强的创新意识和探索精神
良好的团队合作精神，与跨部门团队紧密协作
熟悉常见的大模型架构（大模型方向）
有算法工程化、AI平台建设相关工作经验（算法工程化方向）
熟悉模型推理加速技术（如TensorRT、ONNX、OpenVINO等）（算法工程化方向）
熟悉容器化技术（如 Docker）和 Kubernetes 集群管理，具备模型部署到云平台或生产环境的经验（算法工程化方向）
工作职责
一、数据挖掘、运筹：
研究机器学习、深度学习、运筹优化等领域的前沿技术，建立、评估、迭代数据模型和算法，构建数据洞察体系
基于对业务场景的深入理解和大量数据特征，参与智能运营、需求挖掘、路径优化、风险控制等方向的算法研发
基于数据洞察体系和各类业务特征，构建算法模型，为集装箱调配、网络优化、供应商管理等关键业务决策提供精准的数据支持与前瞻性预测
二、大模型：
完成大模型相关任务，包括数据收集处理、模型训练、评测及推理等工作，确保数据的准确性和模型的有效性
参与大模型算法的应用研究，涉及语言模型、多模态模型等领域，应用 Prompt 工程、RAG、SFT 等技术，将算法从理论转化为实际业务场景中的解决方案
协助团队探索智能体应用的新方向，参与将前沿研究成果转化为产品功能的实现过程
参与大模型在业务场景中的关键能力开发，如知识理解、指令遵循、基础推理等
参与算法模型的工程化落地工作，包括模型压缩、加速、部署与监控等环节，确保模型在业务系统中的稳定运行
三、算法工程：
参与算法平台扩展性、稳定性优化，确保满足现阶段业务对算法处理的需求
设计算法模型服务化方案，致力于实现高并发、低延迟在线推理服务，保障服务的稳定运行
参与算法从研发到生产的工程化流程，包括数据预处理、特征工程、模型训练、模型评估等环节
优先资格
硕士及以上学历优先
AI 洞察
优缺点分析
优点
- 技术前沿：岗位涉及机器学习、大模型等前沿技术，有利于构建深厚的技术壁垒和保持市场竞争力
- 行业平台：在跨国巨头企业的核心业务部门工作，能接触海量真实业务数据与复杂场景，项目落地价值高
- 技能复合：同时锻炼算法研发、工程化落地和业务理解能力，是成为高端复合型技术人才的绝佳机会
- 技术难度高：需要持续跟进并掌握快速迭代的前沿技术（如大模型），并对算法性能与工程稳定性有极高要求
- 适合拥有扎实算法与工程基础，对大数据、机器学习及大模型技术有浓厚兴趣，并希望在国际化业务场景中实现技术价值的资深工程师或研究者
缺点 / 挑战
- 业务理解压力：算法需深度结合航运物流的具体业务场景（如路径优化、风险控制），要求快速理解复杂业务逻辑
- 工程化责任重：负责模型从研发到生产部署的全流程，需应对高并发、低延迟的在线服务挑战，保障系统稳定运行
角色解读
- 技术专家路径：深耕算法与大模型技术，可成为领域内的首席科学家或架构师，主导技术方向与创新
- 技术管理路径：积累项目与团队协作经验后，可转向算法团队负责人、技术经理等管理岗位，负责技术规划与团队建设
- 业务专家路径：深入理解航运物流业务，成为兼具技术与业务洞察的复合型人才，推动智能化解决方案在行业内的深度应用
- 研发并应用机器学习、深度学习及运筹优化算法，构建数据洞察体系，为集装箱调配、网络优化等核心业务提供数据支持与预测
- 负责大模型（如语言模型、多模态模型）的全流程工作，包括数据处理、训练、评测、应用研究（如Prompt工程、RAG）及工程化落地
- 参与算法平台的优化与模型服务化，设计高并发、低延迟的在线推理服务，并确保算法从研发到生产全流程的稳定运行
- 扎实的数学与算法基础，精通Python/Java/C++等编程语言，并深入掌握TensorFlow、PyTorch等主流机器学习框架
- 熟悉大模型架构及其应用技术（如Prompt工程、RAG、SFT），并具备将前沿算法转化为实际业务解决方案的能力
- 拥有算法工程化经验，熟悉模型推理加速（TensorRT/ONNX）、容器化（Docker/Kubernetes）及云平台部署，能保障模型在生产环境中的稳定性
申请策略
- 提前研究中国远洋运输集团及航运物流行业的业务特点与技术应用趋势，在面试中展现你对业务与技术结合的理解
- 关注岗位描述的三大方向（数据挖掘运筹、大模型、算法工程），准备时确保技能覆盖的广度与至少一个方向的深度
- 重点突出与机器学习、深度学习、特别是大模型相关的项目经验，详细说明技术选型、个人贡献与实际业务效果
- 展示算法工程化能力，如使用Docker/Kubernetes进行模型部署、性能优化（如推理加速）及确保线上服务稳定的具体案例
- 强调对复杂业务问题的解决能力，如有运筹优化、供应链或物流相关项目经验，应清晰阐述业务背景、算法方案与量化成果
- 若对大模型（LLM）应用技术（如Prompt工程、RAG、Agent）不熟悉，可提前通过开源项目或课程进行针对性学习和实践
- 加强算法工程化与系统设计能力，特别是对高并发服务设计、模型监控与运维等生产环境知识的理解与准备
面试指南
- 采用STAR原则（情境、任务、行动、结果）结构化回答项目经验类问题，重点突出技术决策逻辑、个人具体行动与可量化的成果
- 对于技术方案设计类问题，先清晰定义问题与业务目标，再分步骤阐述技术选型、模型设计、工程考量及潜在的评估与迭代方法
- 请详细介绍一个你参与的、最复杂的机器学习或深度学习项目，包括业务背景、你的角色、技术难点及最终效果
- 你如何评估一个机器学习模型的性能？在模型上线后，你会通过哪些指标和方法进行监控与迭代优化？
- 请谈谈你对大模型（如GPT系列）应用落地的理解，并举例说明Prompt工程或RAG技术在实际场景中是如何应用的
- 描述一次你解决算法工程化挑战的经历，例如如何优化模型推理速度、设计高可用服务或处理线上故障
- 如果让你为‘集装箱运输路径优化’设计一个算法方案，你会从哪些业务和技术角度进行思考？
- 系统回顾简历中的每个项目，确保能清晰、深入地阐述技术细节、个人贡献与业务价值，并准备好可能的技术深挖问题
职位点评
Watch Jobs